LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
不配.应助英俊素采纳,获得20
1秒前
1秒前
星辰大海应助LUOLUO采纳,获得10
1秒前
viper3完成签到,获得积分10
2秒前
2秒前
xzl发布了新的文献求助10
2秒前
2秒前
CodeCraft应助迷路尔曼采纳,获得10
3秒前
迷你的羊完成签到,获得积分20
4秒前
5秒前
6秒前
害羞小懒猪完成签到,获得积分20
6秒前
6秒前
尔安完成签到,获得积分10
7秒前
kb发布了新的文献求助10
7秒前
NexusExplorer应助小毕可乐采纳,获得10
7秒前
小马甲应助上火的小番茄采纳,获得10
7秒前
Orange应助flippedaaa采纳,获得10
8秒前
慕青应助Jacky采纳,获得10
10秒前
10秒前
11秒前
ding应助123采纳,获得30
12秒前
上官若男应助忧郁的莫茗采纳,获得30
13秒前
wanci应助哈哈采纳,获得10
13秒前
李健应助NLNL采纳,获得10
13秒前
柳叶刀小猪应助小面包采纳,获得10
14秒前
14秒前
14秒前
小超人发布了新的文献求助10
14秒前
15秒前
15秒前
16秒前
LUOLUO发布了新的文献求助10
16秒前
123胡发布了新的文献求助10
17秒前
Owen应助齐亓邔采纳,获得10
17秒前
yuyan发布了新的文献求助10
18秒前
乐乐应助xlm采纳,获得10
18秒前
18秒前
晓晓来了发布了新的文献求助10
18秒前
小毕可乐发布了新的文献求助10
19秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3199994
求助须知:如何正确求助?哪些是违规求助? 2849782
关于积分的说明 8069853
捐赠科研通 2513573
什么是DOI,文献DOI怎么找? 1346379
科研通“疑难数据库(出版商)”最低求助积分说明 640227
邀请新用户注册赠送积分活动 610102